GPT-4 API 更新:新增可操控模型、函数调用和更长上下文
OpenAI 宣布 GPT-4 API 更新,新增可操控模型、函数调用功能,支持更长上下文,并降低价格。
OpenAI 宣布 GPT-4 API 更新,新增可操控模型、函数调用功能,支持更长上下文,并降低价格。
Hugging Face 与 AMD 合作,旨在为 CPU 和 GPU 平台提供最先进的 transformer 模型性能。该合作将支持多种模型架构和框架,包括自然语言处理、计算机视觉和语音模型,并预计将提高成本效益。
推荐理由:原文给出了能力变化和开放入口,读者可以据此判断它会怎样改变现有工作流。
Hugging Face Hub 提供超过 19 万个机器学习模型、3.3 万个数据集和 10 万个应用和演示,涵盖预训练语言模型、图像和音频分类模型、目标检测模型以及各种生成模型。该平台支持 GLAM 领域的用户分享和访问机器学习模型和数据集,并提供了模型和数据的搜索、使用和分享功能。
Hugging Face Hub新增使用DuckDB分析数据集的功能,支持用户对存储在Hub上的数据集进行SQL查询,提高数据分析效率。该功能将所有公共数据集自动转换为Parquet文件,方便用户通过简单的HTTP调用访问。
Hugging Face Unity API 教程指导用户在Unity游戏中实现先进的语音识别功能,可用于命令输入、NPC对话、提升可访问性等,教程包含设置场景、编写脚本、录音编码等步骤。
Hugging Face 举办首届开源 AI 游戏马拉松,鼓励开发者利用 AI 工具如 Stable Diffusion 创作游戏,活动将于 7 月 7-9 日举行,支持个人或团队参与,要求游戏可在网页或 Windows 上运行,并融入至少一个开源 AI 工具。
Hugging Face Hub 现已集成 BERTopic,一个基于语言的模型,支持多种任务,包括对话、语音识别、调优、摘要、问答、情感分析、临床医学、翻译。
Hugging Face 推出专为 Amazon SageMaker 定制的 LLM 推理容器,支持部署开源 LLM 如 BLOOM,并优化了 Pythia Open Assistant Model 的部署,提供高性能文本生成和推理功能。
Hugging Face 与微软合作,将 Hugging Face Hub 上的开源模型引入 Azure Machine Learning,简化了大型语言模型在 Azure 上的部署过程,并提供了安全可扩展的环境进行实时推理。
推荐理由:原文给出了能力变化和开放入口,读者可以据此判断它会怎样改变现有工作流。
Hugging Face 与 EleutherAI 和 Stability AI 合作,对 Safetensors 库进行了安全审计,确认其安全性,并计划将其作为默认格式。Safetensors 是一个用于保存和加载张量的库,具有安全、懒加载和快速加载等特性。
推荐理由:Hugging Face 对 safetensors 库进行了安全审计,确认其安全性,并计划将其作为默认格式。读者可以了解其安全特性和应用场景。
Hugging Face 与 IBM 合作推出 watsonx.ai,下一代企业 AI 工作室,旨在帮助 AI 构建者训练、验证、调整和部署传统机器学习和新的生成式 AI 能力。该平台基于 RedHat OpenShift,支持云和本地部署,并集成了 Hugging Face 的开源库。
推荐理由:原文给出了能力变化和开放入口,读者可以据此判断它会怎样改变现有工作流。
OpenAI推出ChatGPT iOS应用,同步对话记录,支持语音输入,并带来最新模型改进。
BigCode 的 StarCoder 模型发布,一个基于 80 多种编程语言、GitHub 问题和 Jupyter 笔记本训练的 1600 亿参数模型。该模型可用于创建个性化的编码助手,并支持多查询注意力机制和快速的大批量推理。
推荐理由:原文展示了如何将 StarCoder 模型微调为聊天机器人,读者可以了解其如何改变现有工作流。
Hugging Face Unity API 允许开发者将 Hugging Face AI 模型集成到 Unity 项目中,支持多种任务如文本生成、分类、问答等。通过简单的步骤安装 API,并使用 API Wizard 配置模型和 API 密钥。API 支持异步调用,并提供回调处理响应或错误。
Databricks 推出与 Hugging Face 的合作,通过 Apache Spark™ dataframe 直接创建 Hugging Face Dataset,简化模型训练和调优流程。新功能将 Spark 的数据处理效率和 Hugging Face 的数据集优化相结合,将 16GB 数据集的处理时间从 22 分钟缩短至 12 分钟,速度提升超过 40%。
ChatGPT 用户可关闭聊天历史,自主选择用于模型训练的对话数据,提升数据管理灵活性。
Hugging Face 推出面向中文用户的博客,提供包括 Transformer、扩散模型和强化学习等资源的翻译,旨在促进中西方 AI 社区合作。博客强调中国 AI 社区的成就,如 HuggingGPT、ChatGLM 等,并计划加强与中国合作伙伴的合作,共同推动 AI 发展。
Hugging Face Space 现可托管 Unity 游戏,支持构建、托管和分享演示。教程详细介绍了如何使用 Static HTML 模板创建空间,通过 Git 克隆空间,在 Unity 项目中设置 WebGL 构建目标,并最终在 Hugging Face Space 中托管游戏。
Hugging Face 与 AWS 合作,推出 AWS Inferentia2 加速器,用于优化 Hugging Face Transformers 的性能。该加速器提供了前所未有的吞吐量、延迟、性能功耗比和可扩展性。通过 AWS Neuron SDK 的原生集成,开发者只需一行代码即可将模型编译为 Inferentia2。
推荐理由:原文给出了能力变化和开放入口,读者可以据此判断它会怎样改变现有工作流。
Snorkel AI 与 Hugging Face 合作,推出 Snorkel Flow 开发平台,帮助企业适应和优化基础模型。平台支持用户从 Hugging Face 的 150,000 个开源模型中选择,并通过程序化标注和微调提高模型质量。此合作使企业能够更灵活地利用开源模型,加速数据驱动的 AI 应用开发。
Hugging Face 发布了 Habana Gaudi2 加速器上的 BLOOMZ 大语言模型快速推理功能,使用 🤗 Optimum Habana 库可以轻松部署百亿参数的大型语言模型,如 BLOOM,并实现比市场上任何 GPU 更快的推理速度。
推荐理由:原文给出了能力变化和开放入口,读者可以据此判断它会怎样改变现有工作流。
Intel Xeon Sapphire Rapids CPU 通过 Optimum Intel 和 OpenVINO 工具包,将 Stable Diffusion 模型推理速度提升至 4.7 秒,相比 Ice Lake Xeon 提升近 10 倍。此外,通过 jemalloc 和 libiomp 等系统级优化,进一步提升了内存操作和并行处理效率。
Hugging Face Hub 现已增强对 Jupyter 笔记本的支持,提供更直观的渲染功能,并支持一键在 Google Colab 中直接打开笔记本,以促进模型和数据的共享与使用。
Be My Eyes 采用 GPT-4 模型以革新视觉无障碍服务。该应用通过集成 OpenAI 的 GPT-4,旨在提升视障用户获取视觉信息的能力与效率。
GPT-4 被用于深化 Duolingo 的语言学习对话体验。该集成旨在填补关键的语言学习空白,提升用户互动质量。
Khan Academy 正在开展一项有限的试点项目,探索 GPT-4 在虚拟教育领域的应用潜力。
Stripe 引入 GPT-4 模型,提升用户体验并加强欺诈防御能力。
ControlNet 是一种框架,允许用户通过不同的空间上下文(如深度图、分割图、涂鸦、关键点等)来定制生成过程。该框架支持多种条件模型,并已集成到 Diffusers 中,允许用户通过控制网络来控制图像生成过程。
推荐理由:原文给出了能力变化和开放入口,读者可以据此判断它会怎样改变现有工作流。
Witty Works利用Hugging Face的专家加速计划,通过迁移学习预训练的spaCy模型,构建了写作助手,用于检测和过滤潜在偏见词汇。Hugging Face专家建议使用Sentence Transformers架构和SetFit库进行微调,以减少标注数据量并提高效率。最终,Witty Works在Azure上部署了模型,实现了低延迟。
Hugging Face 发布了 Swift Diffusers,一个基于最先进的扩散模型的 Mac 本地应用程序。它利用了社区贡献给 Hugging Face Hub 的 SoTA 文本到图像模型,并转换为 Core ML 以实现闪电般的性能。
推荐理由:原文给出了能力变化和开放入口,读者可以据此判断它会怎样改变现有工作流。
Fetch公司利用Hugging Face和AWS平台,开发了自己的AI工具,用于处理用户上传的收据,实现数据分析和存储。通过这种方式,Fetch将开发时间缩短了30%,并提高了数据处理速度,同时降低了成本。
Hugging Face 与 Amazon Web Services (AWS) 合作,旨在通过使下一代机器学习模型更易于访问,以加速其可用性,并帮助开发者以最低的成本实现最高性能。Hugging Face 将利用 AWS 作为首选云服务提供商,使开发者能够访问 AWS 的先进工具,以训练、微调和部署模型。
推荐理由:原文给出了能力变化和开放入口,读者可以据此判断它会怎样改变现有工作流。
Hugging Face推出Inference Endpoints服务,旨在简化Transformer模型的部署。该服务支持在AWS、Azure和GCP等云平台上部署模型,并支持多种实例类型,包括GPU。
本教程介绍了如何使用ChatGPT等AI工具创作游戏故事,通过实际案例展示了AI在游戏开发中的应用。教程强调了语言模型在创作故事时的局限性,并提供了使用AI进行故事创作的实用技巧。
Hugging Face 推出 AI vs. AI,一个基于深度强化学习的多智能体竞赛系统,通过匹配算法、数据集和排行榜评估强化学习模型在多智能体环境中的性能。该系统采用 ELO 评分系统,通过模型间对抗性比赛生成相对技能评分,为多智能体环境提供一种稳健的评估技术。
Intel Sapphire Rapids CPU通过结合集群服务器和Intel Extension for PyTorch库,实现了与上一代Xeon相比的8倍速度提升,并展示了在Hugging Face Optimum Intel库支持下,对NLP模型进行推理的性能测试。
OpenAI 宣布推出 ChatGPT Plus 订阅服务,为付费用户提供优先访问权限和更快的响应速度。该服务旨在通过商业化模式支持模型持续改进与基础设施扩容。
OpenAI 推出一个经过训练以区分 AI 生成文本与人类撰写文本的分类器。
Hugging Face 发布了计算机视觉功能更新,包括支持 8 个核心视觉任务、3000 多个模型和 100 多个数据集,以及与其他第三方库的集成。
推荐理由:原文给出了能力变化和开放入口,读者可以据此判断它会怎样改变现有工作流。
Hugging Face 博客发布了一篇关于使用 AI 工具生成 2D 资产的游戏开发教程,介绍了如何利用 Stable Diffusion 模型在 2D 工作流程中生成 2D 资产,并提供了具体的案例和步骤。教程适用于熟悉图像编辑和 2D 资产创建的读者,同时对于初学者和专家也具有参考价值。